降息历来受市场高度关注。但长期以来，预测降息一直是宏观研究的“老大难”问题。在本篇报告中，我们探讨构建降息的“拇指法则”（ruleof thumb）：一个较客观、可量化、易理解的降息预测框架。
降息量化框架的难点，可能来自以下两种思维定势：
(资料图)
一是“唯结果论”。结果导向、缺乏理论基础的“黑箱模型”，可能导致“过度拟合”：对已发生结果解释很好，但外延能力偏弱。
二是“过于具象”。在大数据模型成为趋势的今天，建模时容易陷入变量越多、算法越复杂越好的思维定势。然而，过于精细的“具象”模型可能导致其“抽象”能力不足。
据此，我们提出两点原则：一是思路上，遵循自上而下原则，从央行最根本的思维逻辑出发选取指标和算法，避免因果倒置。二是算法上，参考“集合学习”的精神。简单地说，“集合学习”回答了“一个诸葛亮和三个臭皮匠谁更厉害”的问题。与传统单一高精度模型不同，“集合学习”更强调集体的力量：精准度源自简单模型的多维度“集合决策”。
为验证上述思路的有效性，我们从央行“四大目标”（币值稳定、经济增长、内外平衡、金融稳定）出发，构建了一个由8 个子模型构成的8因子模型。
即便未对模型做大幅逆向优化，其表现已经超出预期。在回溯期内：
单次预警（提示后2 个月内有降息）命中率60%；连续两次提示（提示后1 个月内有降息）75%；连续三次提示（提示后当月有降息）100%。
此外，无预警降息（降息当月及此前2 个月无提示）未出现。换言之，若模型未作提示，则未来3 个月降息概率较低。
7 月模型构建完成后，做出了降息预警。按过往经验，8、9 月份降息概率上升至60%。8 月15 日降息超预期落地，验证了模型的判断，也将单次预警的精准度提升至62.5%。
总体而言，模型表现基本达到预想目标。其力量来自于“横向”与“纵向”的双重加强。“横向”指的是前述“集合学习”中多个子模型并行决策；“纵向”指模型的预警具有明显的累积效应，即连续预警后，尽管观察窗口未改变，但命中率明显提升。
更为重要的是，模型验证了开篇提出的策略的有效性，进而构建了一个较客观、可量化、易理解的降息分析框架。在这个思路下，模型仍有巨大的优化和拓展（如运用至降准判断）潜力，值得进一步探索。
风险提示：央行操作框架调整；模型外变量主导。
